社交媒体及其新闻推送算法对于提升构建性对话具有挑战性，本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量，发现新推送算法能够促进跨政治观点的建设性、非有害对话。

Oct, 2023

该研究报告介绍了我们关于 SurveyLM 的工作，这是一个用于分析增强语言模型 (ALMs) 在复杂社交环境中以动态方式形成的态度和价值观的平台。通过应用传统研究社交行为的调查和实验方法，我们系统地评估 ALMs，以提供对它们的对齐和新兴行为的前所未有的洞察力。此外，SurveyLM 平台利用 ALMs 的反馈来增强调查和实验设计，加快了高质量调查框架的开发和测试，同时节约资源。通过 SurveyLM，我们旨在揭示影响 ALMs 新兴行为的因素，促进其与人类意图和期望的对齐，从而为负责任地开发和部署先进的社交人工智能系统做出贡献。该白皮书强调了该平台提供可靠结果的潜力，突出了它对对齐研究的重要性以及对未来社交人工智能系统的影响。

Aug, 2023

本文介绍了四个 Reddit 数据集，探讨了预训练语言模型在数据分布面临渐变时的性能问题，并提出了一种基于神经变分动态主题模型和注意力机制的简单方法来预测未来文章的流行度，其性能表现比预训练语言模型的性能下降少，提供实际事件的可解释性表示，如 GameStop 的空头攻击。

Nov, 2022

本文提出了一种名为 “RALM” 的实时注意力基础的 “look-alike” 推荐算法，采用了神经网络结构和种子聚类机制来优化用户表示学习和 “look-alike” 学习建模，从而扩展观众范围，提高推荐的多样性和质量。

Jun, 2019

本文研究了利用大型语言模型（LLMs）来增强调查的三种不同应用程序：缺失数据插补，回溯预测和零 - shot 预测。该论文提出了一个新的方法论框架，其中包含民意调查问题，个人信念和时间背景的神经嵌入，以个性化 LLMs 的意见预测。该研究表明，LLMs 表现出较低的精度，但最佳模型的准确率在意识形态上明显更高，可以用于填补缺失的趋势并确定公众态度的变化。但是，模型在 zero-shot 预测任务中的表现有限，强调了 LLMs 的挑战。

May, 2023

使用语言模型研究公众媒体消费对舆情的影响具有较高的预测能力和实际应用价值，并表明需要进一步研究神经语言模型的预测能力。

Mar, 2023

通过挖掘公众意见调查的数据，结合用户观点、人口统计学和意识形态信息来对 LLMs 进行定位，从而实现更好地预测各种话题下的公众观点，同时发现利用个体用户的相关过往意见可以提高预测准确性。

May, 2023

使用 Transformer Language Models 等方法对 Yelp 评论进行语言行为学习，并利用 prompt-based queries 生成合成文本以分析特定观点，证明即使在缺乏特定关键词的情况下，这些模型也能准确产生具有正确情感的大量文本。

Apr, 2022

通过 OpinionsQA 数据集，本研究提出了一种量化框架，调查语言模型中体现的观点与美国 60 个人口群体的观点的一致性，在包括堕胎和自动化在内的话题上，我们发现当前的语言模型与 US 人口集体观点之间存在相当大的不匹配，即使是明确定向于特定人口群体也是如此。

Mar, 2023

在有限的事实核查基础上，利用预训练语言模型和社交环境拓扑结构，我们提出了一种新型的基于提示的模式，用于少样本假新闻检测，显著提升性能。

Sep, 2023